介紹

人臉識別不同于人臉檢測。在人臉檢測中，我們只檢測了人臉的位置，在人臉識別任務中，我們識別了人的身份。

在本文中，我們將在人臉識別庫的幫助下，使用python構建一個人臉識別系統。

市場上有許多用于人臉識別的算法。這一計算機視覺挑戰是從視頻和圖片中檢測人臉。許多應用程序可以構建在識別系統之上。許多大公司出于安全和身份驗證的目的而采用識別系統。

識別系統用例

人臉識別系統在現代得到廣泛應用，許多新的創新系統都建立在識別系統之上。

有幾個用例：

尋找失蹤者識別社交媒體上的帳戶識別汽車中的駕駛員考勤系統

多種實現面部識別的算法取決于其性能和準確性。

傳統人臉識別算法

傳統的人臉識別算法不符合現代人臉識別標準。它們旨在使用舊的傳統算法識別面部。

OpenCV 提供了一些傳統的面部識別算法。

這些方法在提取圖像信息和匹配輸入和輸出圖像的方式上有所不同。

LBPH 算法是一種簡單但非常有效的方法，仍在使用中，但與現代算法相比速度較慢。

人臉識別深度學習

有多種基于深度學習的面部識別算法可供使用。

DeepFaceDeepID series of systemsFaceNetVGGFace

一般來說，基于地標的人臉識別器對人臉圖像進行拍攝，并試圖找到眉毛、嘴角、眼睛、鼻子、嘴唇等基本特征點。有60多個地標。

人臉識別涉及的步驟

1.人臉檢測：定位人臉，記下每個人臉定位的坐標，并在每個人臉周圍繪制一個邊界框。

2.面部對齊。標準化人臉以獲得快速訓練。

3.特征提取。從面部圖片中提取局部特征進行訓練，這一步由不同的算法執行不同的操作。

4.人臉識別。將輸入人臉與我們數據集中的一個或多個已知人臉進行匹配。

本文重點介紹使用庫 face＿recognition 實現人臉識別，該庫基于深度學習技術，并承諾使用單個訓練圖像的準確率超過 96％。

執行

使用python實現人臉識別系統。使用 face＿recognition 庫實現基于深度學習的人臉識別系統。

1． 設置人臉識別庫：

為了安裝人臉識別庫，我們需要先安裝dlib

· dlib：它是一個現代 C＋＋ 工具包，包含與機器學習相關的算法和工具。

＃ installing dlib

pip install dlib

· 安裝實際的人臉識別庫face recognition。

＃ installing face recognition

pip install face recognition

· Opencv用于一些圖像預處理

＃ installing opencv

pip install opencv

Note： Sometimes installing dlib throws error in that case install install the C＋＋ development toolkit using vs＿code community ．

導入庫

import cv2

import numpy as np

import face＿recognition

2． 加載圖片：

我們完成了庫的安裝和導入。是時候將一些示例圖像加載到face＿recognition庫中了。

該face＿recognition庫僅支持 BGR 格式的圖像。在打印輸出圖像時，我們應該使用 OpenCV 將其轉換為 RGB。

Face＿recognition僅加載 BGR 格式的圖像。

import cv2

import numpy as np

import face＿recognition

img＿bgr ＝ face＿recognition．load＿image＿file（＇student＿images／modi．jpg＇）

img＿rgb ＝ cv2．cvtColor（img＿bgr，cv2．COLOR＿BGR2RGB）

cv2．imshow（＇bgr＇， img＿bgr）

cv2．imshow（＇rgb＇， img＿rgb）

cv2．waitKey

輸出→ BGR 與 RGB

3．檢測和定位人臉：

face＿recognition庫可以自行快速定位人臉，我們不需要使用haar＿cascade或其他技術。

img＿modi＝face＿recognition．load＿image＿file（＇student＿images／modi．jpg＇）

img＿modi＿rgb ＝ cv2．cvtColor（img＿modi，cv2．COLOR＿BGR2RGB）

＃－－－－－－－－－ Detecting Face －－－－－－－

face ＝ face＿recognition．face＿locations（img＿modi＿rgb）［0］

copy ＝ img＿modi＿rgb．copy（）

＃ －－－－－－ Drawing bounding boxes around Faces－－－－－－－－－－－－－－－－－－－－－－－－

cv2．rectangle（copy， （face［3］， face［0］），（face［1］， face［2］）， （255，0，255）， 2）

cv2．imshow（＇copy＇， copy）

cv2．imshow（＇MODI＇，img＿modi＿rgb）

cv2．waitKey（0）

4． 樣本圖像識別：

該face＿recognition庫基于深度學習，它支持單次學習，這意味著它需要一張圖片來訓練自己檢測一個人。

img＿modi ＝ face＿recognition．load＿image＿file（＇student＿images／modi．jpg＇）

img＿modi ＝ cv2．cvtColor（img＿modi，cv2．COLOR＿BGR2RGB）

＃－－－－－－to find the face location

face ＝ face＿recognition．face＿locations（img＿modi）［0］

＃－－Converting image into encodings

train＿encode ＝ face＿recognition．face＿encodings（img＿modi）［0］

＃－－－－－ lets test an image

test ＝ face＿recognition．load＿image＿file（＇student＿images／modi2．jpg＇）

test ＝ cv2．cvtColor（test， cv2．COLOR＿BGR2RGB）

test＿encode ＝ face＿recognition．face＿encodings（test）［0］

print（face＿recognition．compare＿faces（［train＿encode］，test＿encode））

cv2．rectangle（img＿modi， （face［3］， face［0］），（face［1］， face［2］）， （255，0，255）， 1）

cv2．imshow（＇img＿modi＇， img＿modi）

cv2．waitKey（0）

上面的代碼拍了兩張總理的照片，因為兩張照片都是同一個人，所以它返回了true。

face＿recognition．face＿encodings（imgelon）［0］→返回傳遞圖像的編碼。

face＿recognition．compare＿faces（［train＿encode］，test＿encode） 獲取經過訓練的編碼列表和未知圖像的測試編碼。如果兩個測試編碼在訓練編碼中匹配，則返回True ；否則，它會返回False．

了解人臉識別的工作原理

1.我們將人的照片和他們的名字傳遞給模型。

2.該模型拍攝每張照片，將它們轉換為某種數字編碼，并將它們存儲在一個列表中，并將所有標簽（人名）存儲在另一個列表中。

3.在預測階段，當我們傳遞未知人的圖片時，識別模型會將該人的圖像轉換為編碼。

4.在將未知人的圖像轉換為編碼后，它會嘗試根據距離參數找到最相似的編碼。與未知人的編碼距離最小的編碼將是最接近的匹配。

5.在獲得最接近的匹配編碼后，我們從該列表中獲取該編碼的索引并使用索引。我們找到檢測到的人的名字。

識別系統的挑戰

這些都是識別系統面臨的重大挑戰，需要解決。

· 姿勢：識別系統容易受到人體姿勢的影響。面部識別系統將無法預測該人的面部是否不可見。

· 照明：照明會極大地改變面部輪廓。用于人臉識別的照片應在適當的照明條件下拍攝。

· 面部表情：不同的面部表情會導致對同一個人的圖像的不同預測。

· 低分辨率：低分辨率圖片包含的信息較少，因此不適合人臉識別訓練。

結論

本文討論了如何使用 python 和單次圖像訓練技術實現人臉識別系統。你可以進一步使用像 python Tkinter 這樣的 GUI 來設計基于 GUI 的考勤系統。我們看到了影響識別系統的各種挑戰以及如何解決這些挑戰。

       原文標題 : 使用Python的人臉識別系統